MonoViT：ビジョン・トランスフォーマーを用いた自己教師付き単眼深度推定

自己教師付きモノクロ深度推定は、学習に入手困難な深度ラベルを必要としない魅力的な解決策である。近年、畳み込みニューラルネットワーク（CNN）はこのタスクにおいて著しい成果を上げている。しかし、CNNの受容 field が限られているため、既存のネットワークアーキテクチャは局所的な推論しか行えず、自己教師付きアプローチの効果を低下させている。近年の視覚変換器（ViT）の成功を踏まえ、本研究では、ViTモデルが提供するグローバルな推論能力と、自己教師付きモノクロ深度推定の柔軟性を統合した新しいフレームワーク「MonoViT」を提案する。本モデルはシンプルな畳み込みと変換器ブロックを組み合わせることで、局所的かつグローバルな推論を可能とし、より詳細で高精度な深度推定を実現する。その結果、標準的なKITTIデータセットにおいて、最先端の性能を達成した。さらに、MonoViTはMake3DやDrivingStereoといった他のデータセットにおいても優れた汎化性能を示しており、その汎用性の高さを裏付けている。